[论文解读] Combined Eco-Routing and Power-Train Control of Plug-In Hybrid Electric Vehicles in Transportation Networks

Arian Houshmand, Christos G. Cassandras+4 more|arXiv (Cornell University)|Apr 9, 2020

Vehicle emissions and performance参考文献 35被引用 6

一句话总结

本文提出了一种用于插电式混合动力电动汽车（PHEVs）的联合路由与动力传动控制（CRPTC）算法，通过同时优化节能路线与动力传动控制策略，实现能耗最小化。采用双层优化方法，并在波士顿110,000条路段的网络上通过SUMO和VESIM仿真验证，该方法在接近实时性能下相较最快路线实现了平均12.59%的能耗降低。

ABSTRACT

We study the problem of eco-routing for Plug-In Hybrid Electric Vehicles (PHEVs) to minimize the overall energy consumption cost. We propose an algorithm which can simultaneously calculate an energy-optimal route (eco-route) for a PHEV and an optimal power-train control strategy over this route. In order to show the effectiveness of our method in practice, we use a HERE Maps API to apply our algorithms based on traffic data in the city of Boston with more than 110,000 links. Moreover, we validate the performance of our eco-routing algorithm using speed profiles collected from a traffic simulator (SUMO) as input to a high-fidelity energy model to calculate energy consumption costs. Our results show significant energy savings (around 12%) for PHEVs with a near real-time execution time for the algorithm.

研究动机与目标

• 通过联合优化路线选择与动力传动控制策略，填补PHEV节能路径研究中的空白。
• 开发一种计算高效的算法，能够在大型城市网络中实现近实时执行。
• 利用真实交通数据（HERE Maps）与高保真仿真（SUMO + VESIM）验证算法性能。
• 量化节能路径决策中能耗节省与时间损失之间的权衡。
• 通过开源交通数据平台实现实际部署，支持城市路径规划应用。

提出的方法

• 将节能路径规划问题建模为混合整数线性规划（MILP），以实现路线与动力传动控制的联合优化。
• 提出一种双层优化框架，上层负责选择节能路径，下层通过线性规划（LP）求解电动/燃油模式的最优切换。
• 采用改进的Dijkstra算法与混合-LP松弛法求解能耗最优路径问题。
• 基于路段交通强度（低/中/高）与平均速度曲线，构建简化的能耗模型以估算能耗。
• 利用高保真的VESIM动力传动模型与基于真实速度轨迹的SUMO交通仿真验证结果。
• 基于HERE Maps API开发公开的基于网络的工具，用于获取大规模城市网络部署所需的地理与交通数据。

实验结果

研究问题

• RQ1 与时间最优路径相比，PHEV中联合优化节能路径与动力传动控制是否能实现显著的能耗节省？
• RQ2 所提出的双层优化方法在准确性和计算效率方面与完整的CRPTC MILP公式相比表现如何？
• RQ3 简化的能耗模型在真实交通条件下对实际能耗的预测精度如何？
• RQ4 与最快路线相比，使用节能路径时能耗节省与时间损失之间的权衡关系如何？
• RQ5 交通波动性（如红绿灯、拥堵）如何影响节能路径预测的准确性以及误报（false positives）的可能性？

主要发现

• 在波士顿中等交通量网络上，使用VESIM与SUMO仿真验证后，所提出的CRPTC算法相较于最快路线实现了平均12.59%的能耗节省。
• 双层优化方法在显著降低计算时间的同时，对完整CRPTC MILP最优解具有良好的逼近效果。
• 在80.38%的案例中，算法正确预测了能耗最优路径，此类情况下平均能耗节省达18.46%。
• 在19.62%的案例中，预测的节能路径能耗高于最快路线——被归类为“误报”（false positives），此类情况平均能耗损失为-11.46%。
• 在高交通量条件下，能耗节省降至5.35%，误报率上升至31.00%，错误预测的平均能耗损失达-21.64%。
• 通过核密度估计可视化了能耗与时间节省之间的权衡，结果表明O-D距离越长，能耗节省越多，同时时间损失也越大。